文摘
运动功能障碍患者的康复训练是必不可少的,培训通过主观运动意图,比较被动训练,更有利于康复。本研究提出了一种方法来确定运动的意图不同行走状态在正常环境下,通过使用功能性近红外光谱(fNIRS)技术。22名健康受试者招募与三个不同的步态走(包括与低速,小步小步midspeed, midstep低速)。小波包分解用于发现不同运动状态的主要特征通道,这些通道和链接的频率和空间组合定义为特征向量。根据不同的排列和组合的特征向量,图书馆对支持向量机(libSVM)是用于实现最好的识别模型。最后,这三个州走的准确率是78.79%。本研究实现的分类不同状态的运动意图利用fNIRS的技术。它奠定了基础应用分类运动不同状态及时的意图,帮助严重运动功能障碍患者康复训练控制walking-assistive装置,以帮助他们恢复独立行走能力和减少对社会的经济负担。
1。介绍
人口老龄化是当今社会的一个突出问题。2016年,大约12%的世界人口是60岁以上的老人,这个比例将上升大约21%的世界人口到2050年(1]。老化导致老年人身体活动大幅下降(2),增加身体的弱点。这些会导致骨折或其他事故的概率增加,造成严重的运动障碍(3- - - - - -5]。同样,脊髓损伤(SCI)是一种常见的疾病常常导致严重的运动障碍,迫使患者依赖于轮椅移动(6]。此外,交通事故的数量严重运动功能障碍的受害者和意外伤害也迅速增加,社会的发展。如上结果,患者常常保持长时间的卧床不起,导致一些并发症的概率,增加身体机能的退化。这些问题会导致严重影响康复,对社会造成严重的经济负担7]。和行走功能的恢复是这些患者的主要愿望8]。因此,它大大有意义的为这些患者提供适当的培训以帮助他们恢复行走能力。
然而,大多数培训仪器passive-controlled。这导致参与不足的病人和不明显的康复效果。Husemann et al。9)进行了控制实验机器人培训,激励对象的积极性和传统的物理治疗和发现,显著提高了机器人行走能力的训练。Veneman et al。10和不相关等。11)矫正的设备开发不同的策略引起更大的自愿参与的受试者在康复过程中,更有效地执行比固定的重复模式。此外,其他研究也表明,培训基于patient-active意识可以为康复(比被动更有效12- - - - - -14]。因此,multitraining模式和病人的积极参与推进康复起着重要的作用。和生物力学信息和大脑信息可以用来判断受试者的运动意图以控制walking-assistive康复训练设备。
近年来进展使用识别运动意图控制walking-assistive设备,基于生物力学信息(15- - - - - -18]。李和山海(15)和Hayashi et al。16]使用下肢肌电图(EMG)信号来确定受试者的运动意图,来控制walking-assistive设备驱动运动。肢动信息和足底压力数据由足底压力测试和角加速度传感器用于识别运动对象的意图,控制walking-assistive设备(16- - - - - -18]。这些相关的研究可以帮助病人控制外骨骼帮助他们开展康复训练通过运动意图和有一个更好的识别精度。然而,对于这些严重运动功能障碍患者,生物力学信号很弱或不正常的,它也很难收集。因此,大脑的信息可以用来识别病人的运动意图帮助他们控制walking-assistance设备完成独立的康复训练。
近年来,一些研究调查大脑活动基于脑电图(EEG)信号在走(19- - - - - -26]。根据脑电图信号的μ和ß节奏,三个不同的步行速度水平,平均分类精度72.7%22),本研究还提供了有关大脑皮层参与人类步态控制和代表一个一步卒中后步态康复的脑机接口(22]。Zhang et al。23同时使用多个内核学习算法学习的相对重要性不同的大脑区域,从而确定该地区的重要性,并表明,额叶和frontocentral地区是最重要的地区控制外骨骼。此外,一些研究指出,运动皮层的神经活动强度与步行速度呈正相关,这也证明了不同运动状态有不同的神经活动21- - - - - -25]。然而,大多数的实验是基于跑步机,它不同于正常的步态。此外,经常需要外部刺激的受试者在试验,也不利于做康复训练在正常环境中(19- - - - - -22,24- - - - - -26]。
相反,fNIRS技术可以支持连续测试在正常的环境下,没有外部的刺激。金等。27和历经甲级等。28)发现,在步行速度的变化主要激活区域感觉运动皮层(SMC),运动前区皮层(PMC),和辅助运动区(SMA)。米科利et al。29日)表明,血氧浓度的前额叶皮层的活动与步长有正相关关系,而建立的一个重要依据确定步长。霍尔兹et al。30.)还发现,PFC的激活区在很大程度上是与增加步长有关。研究premovement意识的正常启动和准备确定的比例oxyHb PFC的面积和前运动皮层显著增加(31日]。这些研究关注的大脑区域被激活时,步行速度和步长改变,而不是身份识别,在测试领域为本研究奠定理论基础。此外,fNIRS类似模式的识别技术也有很大的应用前景。隋et al。32)确定了三个级别的自行车速度,基于oxyHb的差异和deoxyHb,相应的分类精度为74%。香港et al。33)确定心算(MA),右手运动图像(RI)和左运动图像(李)在十个科目平均分类精度为75.6%。联合互信息(JMI)则被用来提取血流动力学反应的最优特性,确定三个图像相关联的手紧握的力量和速度的最终精度为76.7% (34]。阴et al。35]应用经验模态分解减少生理噪声在任务期间,和固有模式函数被用来提取特征向量,确定的运动图像任务右手握紧力和速度,与相应的分类精度为78.33%。fNIRS的大部分研究主要集中在对上肢分类不同的州。下肢,研究不同运动状态的自发的散步是稀疏的,和二维的同时分类变量的步行速度和步长还在银行。
在这项研究中,一个方法基于fNIRS信号,提出了识别二维变量的运动意图的行走速度和步长同时在正常的环境下。在整个实验中,为了引出更大的自愿参与的受试者,所有动作(每个任务的开始和结束)自发地由自己控制,和没有外部刺激。它希望将二维步行速度和步长及时、基于运动运动的意图。本研究预计方法应用于分类不同状态的运动意图,以帮助病人控制walking-assistive设备康复训练,让他们在未来恢复独立行走能力。
2。实验设计
2.1。主题
22名健康受试者(22日均值±4岁,17岁男性和5个女性)的苏州大学参加了这个实验。所有的参与者都是右撇子,没有神经异常和其他相关条件。
2.2。仪器
foire - 3000光学地形系统(日本岛津公司公司,日本京都)[32]有八个发射器和八个探测器是用来测量光源的波长830 nm、805 nm和780 nm,代表氧合血红蛋白(oxyHb),总血红蛋白(totalHb)和缺氧血红蛋白(deoxyHb)。血红蛋白信号的采样周期是130 ms。
2.3。大脑皮层区域
之前fNIRS研究决定,PMC、SMA和PFC领域在很大程度上是与行走速度或步长27,29日- - - - - -31日]。此外,PFC区域识别premovement意识(扮演着重要的角色28]。根据国际10 - 20系统[36,37)和Brodmann分区地图(38),3×5顶叶flash持有人,用于修复发射器和探测器。图1(一)显示装置的布置,Cz点的十字路口左到右耳垂枕骨粗隆和国家,用距离探测器7 3厘米。在通道的布局,发射器3和6,探测器1,4和7 Nz-Cz-Lz的连接,和探针布局左边和右边是连接Nz-Cz-Lz平行,每个探测器和发射极之间的距离是固定在3厘米。根据上面定义的位置重要地区的研究和调查布局,它定义通道1到7的PFC区域,通道8到12的眼睛额叶皮质(FEC)区域,通道13 - 18的PMC左(PMCL)区域,通道15和20的PMC是正确的(PMCR)地区,和渠道14日,16日,17日,19日,21日,22日在SMA区。
(一)
(b)
2.4。范式
病人很弱或根本没有运动能力很难进行康复训练,训练不活跃。根据反馈的康复医生,这三个州走(包含小步的步态与低速(SL),与midspeed小步(SM)和midstep低速(ML))是非常有用的和必要的对于这些患者改善他们的身体机能恢复行走能力。因此,在这个实验中,22名健康受试者fNIRS信号收集这三个步态参数下进行初步研究。在这个实验中,由于有限的输电线路,步行距离是固定在4.4米,和所有的科目不能超过这个范围。所以,小步被定义为固定距离,大约九个步骤和midstep大约是六或七个步骤。但是步行速度取决于对象的正常速度,低速的定义必须低于正常步态明显,约30%至50%的正常速度。
在实验之前,所有受试者被要求洗头发,确保头皮清洁。实验过程和fNIRS的工作原理也通知。他们还被告知,他们应该保持在一个稳定的位置和他们的手臂自然状态走路时,不计算在整个实验。
此外,研究者与受试者携带走fNIRS的电缆减少电缆的重量的影响。图1 (b)显示了实验设置。所需的所有受试者训练这三个步态参数,和研究人员将计算行走速度和行走步数,确保步态参数主题走是对的。然而,这个话题会随机安排训练这三个步态参数,基于这三个州的安排和组合,为了让这个问题考虑的步态参数期间应该做实验。主体能够准确地行走时,他们会被告知整个实验的具体过程。每个步态包括四个阶段:休息,散步,休息,和撤退。在整个实验中,每个步态行走需要两次。详细,在实验的开始,起点和终点之前,和所有科目歇息的时候站在起点超过30年代。然后,他们开始运动与右脚向终点。接下来,受试者没有退回到起点,直到他们站在终点在静息状态超过30年代。整个过程如图的实验2。此外,休息和开始时间是自发控制的主题。还规定,研究对象不能犯错误的顺序和步态参数的实验中,研究人员专门从事检查这些;否则,将取消,下次重做实验。最后,根据反馈信息完成实验之后,这个问题需要考虑行走步态参数之前他们应该做的。
3所示。数据分析
totalHb oxyHb之间的区别和deoxyHb被用来提取特征向量在频域。十一个受试者选择最高的识别精度和计算其相应的特征向量的组合训练,另一个用于测试(10)。当最好的特征向量组合被选中,这些11个科目的训练集被定义为训练数据,计算最终识别另一个11个科目的准确性。由于各种因素和障碍,只有第二个测试被用于分析。使用Matlab R2016a所有计算和分析完成。
3.1。功率谱分析
的11个主要科目在这项研究中,基于矩形窗口的功率谱密度分析用于分析中其余的时间和任务。这种方法计算每个通道的连续频率映射所有国家确定最终分析乐队,乐队区间。
3.2。数据预处理
因为fNIRS的相关研究主要集中在低频部分,随着时间的推移,它会导致脑血红蛋白,零点漂移显著影响低频组件。在这项研究中,提出了数学形态学方法消除这种现象(39),为了降低零点漂移的影响在随后的分析。识别所有运动的运动意图,180点之前的任务进行了分析。腐蚀和膨胀的主要操作方法,及其表达式如下,分别为: 在哪里代表原始数据,是数据的长度。是一个平面结构,的长度吗点的数量在10个采样周期。然后,打开和关闭操作计算基于腐蚀和膨胀,及其表达式如下,分别为:
然后,的值执行操作,然后关闭操作和执行关闭操作,然后打开操作计算,分别。平均获得的最终结果是上述两个值因为个人有很大的区别,比如头发,头骨厚度,等。这些导致差异所收集的数据的信噪比;因此,提取前的数据必须规范化 在哪里x代表一个原始数据点在一个频道和min和max代表所有渠道的最大和最小值的分析数据。的xN代表了规范化数据。
3.3。特征提取
功率谱分析的结果可以确定分解层。然后,预处理数据计算频域的小波包分解(40,41]。在这项研究中,小波基是sym4。获得特征越明显,浓度变化的所有渠道totalHb oxyHb之间的区别和deoxyHb计算后小波包分解。在时域中,运动意图发生在运动的开始。因此,8分(约1 s)被用于分析。对于每个国家,分析数据存储在一个矩阵(M1),列代表22日渠道和行代表了频带。
对于每个国家,每个主题会承认一个矩阵(M1)小波包分解后,但有一个巨大区别的值不同的渠道;为了确定的重要渠道和相应频段的一个州,每一个矩阵是分为三个部分根据每个元素的值成比例。在这个研究中,概率为20%,25%,30%,35%,和40%的人使用,根据最终的训练和测试数据的准确性,30%的概率是最好的,所以被定义为最后的百分比。这意味着前30%比例的部分被定义为数字“1”;中期40%是数字“0”;和底部30%是数字“−1”(M2)。训练集,十一个受试者选择特征向量。详细、基于频率统计,每个状态下,如果相同的频率数字号码这十一个矩阵的一个位置是七个或更多(≥63.64%),这个位置被定义为数字;否则,它被定义为数字“0”(M3)。之后,十一个矩阵组合成一个新矩阵在这种状态下,代表这个国家的特色。 Next, the significant channels with links in frequency and space were combined to be defined as feature vectors, if the digital value was the same in this matrix. For the other states, the method of extracting of feature vectors was the same. The flow is shown in Figure3。
3.4。国家分类
libSVM算法(42这三个州)是用于分类。获得最高的精度,特征向量的totalHb oxyHb之间的差异和deoxyHb总和。主要是十一个参与者,十被选为训练数据和测试数据,总共11根据不同的排列组合。然而,一些特征向量可以提高精度,和一些不可能,所以所有特征向量需要要求排列组合特征向量的最佳组合。为每个特征向量排列和组合,识别精度的11个组合计算。这个特征向量组合的最终精度这些结果的平均值。所有特征向量组合比较选择最高的识别及其对应的特征向量。然后十一个受试者识别作为训练数据,另一个11个学科被确定使用以上特征向量的组合。
4所示。结果
4.1。功率谱分析
功率谱密度分析方法可以得到一个连续频率每个通道(图的地图4)。通过观察11受试者连续功率谱的每个通道totalHb oxyHb之间的差异和deoxyHb。发现的主要频带大约是0到0.18赫兹,所以它被定义为本研究的主要频带。此外,发现两个峰之间的距离约为0.03赫兹。因此,0.03赫兹是最合理的频率间隔,也与小波包分解的层数。
4.2。数据预处理
零点漂移的原始数据被使用的一系列操作基于数学形态学(图5)。和突出的关键渠道,22个频道是由公式(归一化1)。所有值的范围是归一化后−1比1。
4.3。特征提取
根据功率谱密度分析,主要的频带是0到0.18赫兹和频率间隔为0.03赫兹。由于血红蛋白信号的采样周期为0.13 s,信号的采样频率大约是7.7赫兹。基于小波包分解的频带分成128组,每次间隔大约0.03赫兹。前六组(约0到0.18赫兹)被用来提取特征向量。数据的最后8分后被合并计算所有渠道的浓度变化totalHb oxyHb之间的差异和deoxyHb。totalHb和区别oxyHb deoxyHb每个主题,三个6×22矩阵代表三个步态的运动意图创建,分别。
基于矩阵的最后一步和上述方法,每个州的结果totalHb oxyHb之间的区别和deoxyHb图所示6(一)和图6 (b)。根据各种渠道的空间布局图1(一)、通道与链接的频率或空间被选为特征向量,如果数字值是相同的。没有考虑隔离通道。
(一)
(b)
4.4。国家分类
为不同的排列组合,最好的训练集的平均分类准确率为78.79%。和在这个特征向量组合,十一个受试者被定义为训练数据训练分类的另一个11个科目(11受试者的第二个任务×3州),分类准确率为78.9%(26/33)(11×3州)受试者的第二个任务。SL的识别率,SM和ML州是72.72%(8/11),72.72%(8/11)和90.9%(10/11),分别。
5。讨论
迄今为止,大多数研究下肢关注的大脑区域被激活时,步行速度或步长变了21- - - - - -25,27,29日- - - - - -31日]。几乎没有研究识别运动下肢的意图,更别说几个步态几乎没有区别。测试环境是一个重要原因。fNIRS的技术克服这个限制,可以在自然环境中使用。在这项研究中,一个方法提出了基于fNIRS的信号识别运动意图三个类似的运动状态。
本研究关注分类健康受试者的运动意图在运动之前,最后的正确率是72.72%(8/11),72.72%(8/11),90.9%(10/11),分别。这些结果改善受试者的运动意图可以用来描述步态参数。此外,通过图6,可以发现,在英吉利海峡有明显的区别和频带在不同运动步态参数的意图。运动意图运动开始前为病人比健康者(43],由于移动能力的缺陷,患者需要高度关注某个行动,而不健康的话题。如果一个运动已经重复了很多次,很难提取运动意图,它将对分类精度的主要影响。因此,这个实验的范式是专门(图设计的2);是主体不能不断重复一个动作,每个动作只做两次,这种设计的目的是让主体运动粗心的,没有考虑在运动之前。这项研究还在起步阶段,通过健康受试者的结果,它奠定了基础为以后研究病人的运动意图。
患者薄弱或没有运动能力,小补偿和缓慢的实践具有重要的实际应用价值(6]。在康复病人的积极参与和协调很重要,作为良好的康复训练方法确保患者得到最大的康复在最短的时间内。这为他们提供了最好的机会,提高他们的生活质量,减少家庭和社会的负担(10]。本研究使用自发运动意图分类小步态,尽管它是在初始阶段的学习和研究对象是健康男性,但结果证明通过运动步态参数分类的可行性意图在运动之前,这奠定了良好的基础为患者进行康复训练的运动意图和在未来提高行走能力。
这项研究集中在运动之前走的意图的分类。所以,所有的动作都纯粹自发的,用于分类的特征向量提取之前实际的运动。这种方法可以弥补延迟算法与外部设备通信和实时BCI系统奠定了基础。虽然分类精度不是很高,它证实了控制外骨骼进行康复训练的可行性进一步的研究。
然而,有许多缺点在这项研究中,需要解决在未来。首先,实验的数量很小,所有科目都是正常的,健康的,年轻人。患者薄弱或没有运动能力但完整的大脑功能,他们的大脑功能也不同于正常功能,和老年人也是如此23,31日,44- - - - - -46]。进一步的研究需要大量的病人和老人。第二,本研究专注于识别不同步态的运动的目的。然而,其余时间分类的方法和意识和休息和开始结束时间是一个艰巨的任务。只完成了这三个条件。动态识别进行实时数据,实现真正的BCI系统。第三,终点是固定的由于机构的限制。stop-awareness部分是由外部因素控制。一些公司已经红外无线设备,可用于实现在未来真正的自发的步态。
6。结论
本研究提出了一种分类方法不同自然步态的运动意图基于fNIRS技术。,提出了三种不同的行走状态与最终的识别率为78.79%。只在这项研究中,受试者的运动目的是用来提取特征向量。这项研究可以将二维步态同时,而不是单一的步行速度的变化或步长。此外,结合的方法排列组合方法和libSVM算法被认为是,所有特征向量的组合,减少无关的特征向量对识别结果的影响。这些结果证实是可行的分类的运动意图fNIRS步行通过使用先进技术,增加的可能性,实现基于BCI walking-assistive设备的自动控制系统。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有利益冲突有关的出版。
确认
这项研究得到了国家自然科学基金(61673286)和中国博士后科学基金会(2015 m580461和2017 t100397号)。